《表1 5种特征组合在ELM下的准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进YOLO v3的相似外部特征人员检测算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文特征分类部分训练集为248个目标个体，具有相似外部特征的样本有4组，其中每个类别含有6个目标个体．测试集数据为77个目标个体，具有相似外部特征的个体有2类，每类中有4个目标个体，其余均为普通个体．表1为不同的特征组合的人群类别分类准确率；图10～14为测试集预测分类的结果与真实值的对比．在表1中可以看到F1特征组合的识别率为84.415%，相比于其他组合识别是最低的，说明在复杂条件下仅仅依靠颜色特征无法可靠识别出目标个体，而在一定程度上增加特征数量可以提高识别的准确率．最后一组F5特征组合在实验条件下达到了96.104%，该组融合了文中提到的全部特征向量，各种特征之间相互弥补了各自的不足，呈现出较好的仿真效果．ELM作为一种机器学习分类算法，学习效率高、泛化能力强，相比于传统单隐层前馈神经网络，在保证精度的前提下速度更快．